二项分布的期望值 E(n)=np 推导

简介:
二项分布的期望值 E(n)=np,这个公式是如何推导来的呢?
n表示n次试验,p表示单次试验的成功概率。
E(n)表示n次试验的成功次数的数学期望。

这里还需要依赖一个求数学期望的公式, 所有概率相加=1
所有概率相加=1,即
∑k=0,n     C(n,k) *  p^k * (1-p)^(n-k) = 1

对于试验n次的情况,有n+1种结果,0次成功系数为0,所以k=1开始即可。
∑k=0,n   k * P(k)
=
∑k=1,n   k * P(k)

E(n)=np这个公式是如何推导来的呢?
首选要知道所有的可能性,例如n次试验,可能成功0次,1次,2次,。。。n次。即有n+1种可能。
假设做6次试验,0表示成功,1表是失败。
可能性如下:
000000
100000
010000
001000
000100
000010
000001
......
成功0次的可能性有1种,成功1次的可能性有6种,这是n选k的问题。
n次试验,成功k次的可能性有多少种=C(n,k)=n! / (k!(n-k)!)
n次试验,成功k次的概率= C(n,k) *  p^k * (1-p)^(n-k)
所有概率相加=1,即
∑k=0,n     C(n,k) *  p^k * (1-p)^(n-k) = 1

数学期望E(n),表示做n次试验,最可能成功多少次:
将成功次数乘以对应的概率,求相加即可得到它的数学期望。
∑k=1,n   k * C(n,k)  p^k * (1-p)^(n-k)
=
∑k=1,n   k * ( n! / (k!(n-k)!))   p^k * (1-p)^(n-k)
=
∑k=1,n   k * ( n! / (k(k-1)!(n-k)!))   p^k * (1-p)^(n-k)
=
∑k=1,n   ( n! / ((k-1)!(n-k)!))   p^k * (1-p)^(n-k)
=
∑k=1,n   ( n(n-1)! / ((k-1)!(n-k)!))   * p *  p^(k-1) * (1-p)^(n-k)
=
np∑k=1,n   ( (n-1)! / ((k-1)!(n-k)!))   *  p^(k-1) * (1-p)^(n-k)
对n-1,k-1进行换元:
a=k-1
b=n-1
n-k = (a+1) - (b+1) = b-a
求和的下标k=1怎么换呢?k=1时,根据a=k-1,得出当k=1时a=0。
求和式中,当k=n时,a = k-1 = n-1
而换元中b=n-1,所以n-1=b
换元后,
=
np∑a=0,b   ( (b)! / ((a)!(b-a)!))   p^(a) * (1-p)^(b-a)
注意这个求和表达式 ∑a=0,b   ( (b)! / ((a)!(b-a)!))   p^(a) * (1-p)^(b-a)
其实就是二项式的所有可能的概率之和,必然等于1.
∑k=0,n     C(n,k) *  p^k * (1-p)^(n-k) = 1
因此最后推导出来
二项分布的期望值 E(n)=np*1=np

[参考]
1. 可汗学院公开课:统计学24-二项分布的期望值
相关文章
|
2月前
|
API
PTA-给定精度,求圆周率PI的近似值
给定精度,求圆周率PI的近似值
40 1
|
7月前
假设检验和P值那些事
记得大学时候学习概率论与数理统计的时候,学习过假设检验,但我不记得课本上有提到过P值。后来翻阅了一些资料,大概弄明白了它们之间的关系,本文旨在以浅显易懂的语言描述严密的数学知识。
49 0
函数的单调性与极值点
函数的单调性与极值点
罗尔(Rolle)、拉格朗日(Lagrange)和柯西(Cauchy)三大微分中值定理的定义
罗尔(Rolle)、拉格朗日(Lagrange)和柯西(Cauchy)三大微分中值定理的定义
罗尔(Rolle)、拉格朗日(Lagrange)和柯西(Cauchy)三大微分中值定理的定义
torch中对一个行向量使用sigmoid函数转换成概率,如果这个行向量包含的元素有几千上万个,这可能会导致转换成的概率再抽样效果不好,应该怎么解决这个问题
可以尝试使用softmax函数进行转换,它可以处理具有多个值的行向量,并将其转换为概率分布。另外,可以考虑使用截断技术(如Top-K),减少概率中过小的部分,以提高采样效果。
时间复杂度总结(Ο是渐进上界,Ω是渐进下界,p,np,np-hard,NPC问题)
时间复杂度总结(Ο是渐进上界,Ω是渐进下界,p,np,np-hard,NPC问题)
143 0
时间复杂度总结(Ο是渐进上界,Ω是渐进下界,p,np,np-hard,NPC问题)
|
数据可视化 Python
八种方法求π的近似值
八种方法求π的近似值
644 0
八种方法求π的近似值
|
C#
利用最小二乘法拟合任意次函数曲线(C#)
原文:利用最小二乘法拟合任意次函数曲线(C#) ///     ///用最小二乘法拟合二元多次曲线     ///     ///已知点的x坐标集合     ///已知点的y坐标集合     ///已知点的个数     ///方程的最高次数     ...
2992 0
MAT之PSO:利用PSO+ω参数实现对一元函数y = sin(10*pi*x) ./ x进行求解优化,找到最优个体适应度
MAT之PSO:利用PSO+ω参数实现对一元函数y = sin(10*pi*x) ./ x进行求解优化,找到最优个体适应度
MAT之PSO:利用PSO+ω参数实现对一元函数y = sin(10*pi*x) ./ x进行求解优化,找到最优个体适应度